一种改进的小生境多目标粒子群优化算法

提出一种小生境多目标粒子群优化算法。使用环邻域拓扑且无需任何小生境参数,克服常规小生境技术中需确定小生境参数的困难。采用NSGA-II的非支配排序策略和动态加权方法选择最优粒子。基于拥挤度的变异操作引导粒子跳出局部最优,增强算法的全局搜索能力。通过对ZDT1~ZDT4和ZDT6的测试结果表明,与经典的多目标进化算法NSGA-II、PESA-II和MOPSO相比,该算法在最优解集的收敛度与多样性方面具有明显的优势。     

基于差分进化粒子群算法的多目标无功优化

针对电力系统有功网损最小、电压水平最好和电压稳定裕度最大的多目标无功优化问题,提出一种基于差分进化的改进多目标粒子群优化算法。该算法通过对Pareto最优解集的差分进化来增加Pareto最优解的多样性,通过拥挤距离来控制精英集中非支配解的分布,以提高对种群空间的均匀采集;采用擂台赛法则构造多目标Pareto最优解集,较大程度的提高了算法的运行效率;自适应惯性权重和加速度因子的动态变化可增强算法的全局搜索能力。将该算法在IEEE14、IEEE30节点标准测试系统上进行了无功优化仿真,结果表明,基于差分进化的改进多目标粒子群优化算法能够在保持Pareto最优解的多样性的同时具有较好的收敛性能,为多目标无功优化提供了一种新的方法。     

基于多目标粒子群优化的虚拟网络映射算法

在虚拟网络映射中,多数研究只考虑一个映射目标,不能体现多方的利益。为此,将多目标算法和粒子群算法结合,提出了一种基于多目标粒子群优化（PSO）的虚拟网络映射算法（VNE-MOPSO）。首先,在基本的粒子群算法中引入交叉算子,扩大了种群优化的搜索空间;其次,在多目标优化算法中引入非支配排序、拥挤距离排序,从而加快种群的收敛;最后,以同时最小化成本和节点负载均衡度为虚拟网络映射目标函数,采用多目标粒子群优化算法求解虚拟网络映射问题（VNMP）。实验结果表明,采用该算法求解虚拟网络映射问题,在网络请求接受率、平均成本、平均节点负载均衡度、基础设施提供商的收益等方面具有优势。     

基于自适应进化学习的约束多目标粒子群优化算法

针对约束边界粒子在边界区域搜索能力不足的问题,提出一种基于自适应进化学习的约束多目标粒子群优化算法。该算法根据不符合约束条件粒子的约束违反程度,修正优化算法的进化学习公式,提高算法在约束边界区域的搜索能力;通过引入一种基于拥挤距离的Pareto最优解分布性动态维护策略,在不增加算法复杂度的前提下改进Pareto前沿的分布性。实验结果表明,所提出的算法可以获得具有更好收敛性、分布性和多样性的Pareto前沿。     

基于融合多策略改进的多目标粒子群优化算法

为进一步提高多目标粒子群算法的收敛性和多样性,提出一种多策略融合改进的多目标粒子群优化算法.首先,引入分解思想以增加Pareto解集的多样性;然后,在速度和位置更新时,引入“多点”变异,即随着迭代次数的递增,根据相应判据对位置的更新作出不同的变异,避免算法早熟现象的发生;最后,将更新后种群和最优解集进行非支配排序,最优解放入精英外部存档.仿真实验结果表明,与另外4种进化算法对比,所提出算法表现出良好的整体性能.     

自适应进化多目标粒子群优化算法

提出一种自适应进化粒子群优化算法以求解多目标优化问题．采用非支配排序策略和动态加权法选择最优粒子,引导种群飞行,提高Ｐａｒｅｔｏ解的多样性．采用动态惯性权重,提高其全局寻优能力．当种群的寻优能力减弱时,采用变异操作以引导粒子群跳出局部最优．通过ＺＤＴ１～ＺＤＴ４ 基准函数验证,该算法能够在保持优化解多样性的同时实现较好的收敛性．与其他多目标进化算法和多目标粒子群优化算法相比,该算法具有较好的性能．

     

多目标优化问题的粒子群算法仿真研究*

研究了一种用于求解多目标优化问题的粒子群算法(CMMOPSO)。该算法采用外部存档存储每一代产生的非劣解, 并且采用拥挤距离来维持外部存档规模, 同时提出一种新的全局最优粒子的选取策略(基于拥挤距离和收敛性距离)来提升粒子向Pareto前沿飞行的概率;为提升种群跳出局部最优解的能力, 以一定的概率对外部存档中粒子进行变异操作。通过典型的多目标测试函数对提出的算法进行检测, 结果表明,CMMOPSO算法在求解多目标问题上有一定的优势。因此, CMMOPSO可以作为求解多目标优化问题的有效算法。     

改进的多目标粒子群优化方法

为了提高多目标粒子群算法(MOPSO)在Pareto前沿的收敛性和分布性,对传统MOPSO方法进行了改进.首先采用基于Pareto支配概念的适应值比例方法选择gbest,其次利用动态拥挤距离更新外部精英集,并通过对精英种群执行遗传操作,最后在粒子种群引入自适应的淘汰机制,加强粒子种群和精美种群的进化.典型测试函数的计算结果表明,该算法在收敛精度和分布性方面得到明显改善.     

一种分阶段的改进多目标粒子群优化算法

在多目标优化问题求解上,粒子群优化算法存在所得最优解集精度不足、分布不够均匀的缺点,针对上述问题,提出了一种多种群分阶段的多目标粒子群优化算法.算法对外部档案个体采取多种算子进行处理以提高解集的收敛精度,引入简化粒子群优化模型使算法更适应多目标优化问题的求解,通过分阶段选取领导个体以及分阶段采取不同策略对非支配解集进行维护以维持解分布均匀性的同时提高收敛速度,重点改善高维多目标优化问题的解集分布均匀性.实验结果表明,改进算法所得的非支配解集具有更好的分布均匀性和收敛精度.     

空间数据关联的多目标粒子群优化算法

提出一种空间联合概率数据关联的多目标粒子群优化(DS-MOPSO)算法。采用正态分布确保初始样本均匀分布,通过采用拥挤距离和先验概率采样确立外部归档中非支配解的拥挤度来保持解的多样性;采用Sigma方法作为选择精英粒子策略寻找全局最优解;利用空间联合概率数据关联动态生成每个粒子的惯性权值,增强粒子的搜索区域,防止算法陷入局部最优。仿真实验结果表明,采用所提出的算法所得到的Pareto解集具有很好的收敛性和多样性。     

自适应动态重组多目标粒子群优化算法

提出一种自适应动态重组粒子群优化算法. 该算法采用凝聚的层次聚类算法, 将种群分成若干个子群体, 用一个精英集对非支配解进行存储; 根据贡献度和多样性, 对各子群体的粒子和整个种群进行自适应动态重组; 同时引入扰动算子对精英集存储的非支配解进行扰动, 实现对精英集进行动态调整. 利用具有不同特点的测试函数进行验证并与同类算法相比较, 结果表明, 所提出的算法可加快收敛速度, 提高种群的可进化能力.

     

基于拥挤度与变异的动态微粒群多目标优化算法

提出一种动态微粒群多目标优化算法(DCMOPSO),算法中的惯性权重和加速因子动态变化以增强算法的全局搜索能力,并采用拥挤度的方法对外部档案进行维护以增加非劣解的多样性.在维护过程中,从外部档案中按拥挤度为每个微粒选择全局最好位置,同时使用变异操作避免算法早熟.通过几个典型的多目标测试函数对DCMOPSO算法的性能进行了测试,并与多目标优化算法MOPSO和NSGA-Ⅱ进行对比.结果表明,DCMOPSO算法具有良好的搜索性能.     

适应性粒子群寻优算法

社会性的群体寻优是秩序与混沌之间的平衡,适应性微粒群寻优算法(APSO)是在标准PSO上添加反映适应性的随机项,并引入小概率因子,使微粒飞行到粒子群的中心,平衡秩序和随机两个行为.APSO算法的本质是在有序的决策中始终引入随机的、不可预测的决定,从而使得寻优的决策尽可能模拟社会性群体寻优的复杂行为.典型复杂函数优化的仿真结果表明,APSO算法具有较好的稳定性.     

一种用于多目标优化的混合粒子群优化算法

将粒子群算法与局部优化方法相结合,提出了一种混合粒子群多目标优化算法（HMOPSO）。该算法针对粒子群局部优化性能较差的缺点,引入多目标线搜索与粒子群算法相结合的策略,以增强粒子群算法的局部搜索能力。HMOPSO首先运行PSO算法,得到近似的Pareto最优解;然后启动多目标线搜索,发挥传统数值优化算法的优势,对其进行进一步的优化。数值实验表明,HMOPSO具有良好的全局优化性能和较强的局部搜索能力,同时HMOPSO所得的非劣解集在分散性、错误率和逼近程度等量化指标上优于MOPSO。     

一种人工内分泌多目标微粒群方法

借鉴内分泌系统的监督控制机制,提出了一种基于内分泌思想的多目标粒子群优化算法。根据生物体激素调节机制中促激素和释放激素间的相互作用原理,考虑当前非劣解集中的个体对其最临近一类群体的监督控制,在粒子位置的更新过程中,引入当前粒子的类全局最优位置,使粒子位置的更新不仅受粒子运动到当前的最好位置和当前代粒子的最好位置影响,而且受其所属类中最好位置粒子的影响,实现粒子全局信息和局部信息的结合。设计了新的粒子群更新方案,为验证方法的有效性,对几个典型的多目标优化问题进行了仿真实验,通过与MOPSO、NSGA-II两种方法的结果对比,表明算法有较好的收敛性和分布性。     

一种自适应混合粒子群优化算法及其应用*

为提高粒子群算法的寻优精度,提出一种将单纯形法(SM)和粒子群(PSO)算法相结合的自适应混合粒子群优化(AHPSO)算法,该算法根据进化需要动态调整粒子的惯性权重,并在进化停滞时使用SM优化。通过仿真实验证明了AHPSO的寻优性能优于SPSO和SMPSO。将AHPSO用于某航空发动机的PID参数优化,其整定性能优于现有的工业方法和其他PSO算法。     

多种群协同进化的微粒群算法

在对标准微粒群算法分析的基础上,提出了一种多种群协同进化的微粒群算法.它将整个种群分解为多个子种群,各子种群独立进化,周期性地更新共享信息.其中采用了两种不同的更新策略,并对这两种不同的方法进行详细地分析和比较.实验结果表明,合适地更新周期能提高算法的收敛性和最优性.     

Attributed multi-objective comprehensive learning particle swarm optimization for optimal security of networks

In particle swarm optimization (PSO) each particle uses its personal and global or local best positions by linear summation. However, it is very time consuming to find the global or local best positions in case of complex problems. To overcome this problem, we propose a new multi-objective variant of PSO called attributed multi-objective comprehensive learning particle swarm optimizer (A-MOCLPSO). In this technique, we do not use global or local best positions to modify the velocity of a particle; instead, we use the best position of a randomly selected particle from the whole population to update the velocity of each dimension. This method not only increases the speed of the algorithm but also searches in more promising areas of the search space. We perform an extensive experimentation on well-known benchmark problems such as Schaffer (SCH), Kursawa (KUR), and Zitzler–Deb–Thiele (ZDT) functions. The experiments show very convincing results when the proposed technique is compared with existing versions of PSO known as multi-objective comprehensive learning particle swarm optimizer (MOCLPSO) and multi-objective particle swarm optimization (MOPSO), as well as non-dominated sorting genetic algorithm II (NSGA-II). As a case study, we apply our proposed A-MOCLPSO algorithm on an attack tree model for the security hardening problem of a networked system in order to optimize the total security cost and the residual damage, and provide diverse solutions for the problem. The results of our experiments show that the proposed algorithm outperforms the previous solutions obtained for the security hardening problem using NSGA-II, as well as MOCLPSO for the same problem. Hence, the proposed algorithm can be considered as a strong alternative to solve multi-objective optimization problems.     

A multi-objective particle swarm optimization for project selection problem

Selecting the most appropriate projects out of a given set of investment proposals is recognized as a critical issue for which the decision maker takes several aspects into consideration. Since many of these aspects may be conflicting, the problem is rendered as a multi-objective one. Consequently, we consider a multi-objective project selection problem in this study where total benefits are to be maximized while total risk and total coat must be minimized, simultaneously. Since solving an NP-hard problem becomes demanding as the number of projects grows, a multi-objective particle swarm with new selection regimes for global best and personal best for swarm members is designed to find the locally Pareto-optimal frontier and is compared with a salient multi-objective genetic algorithm, i.e. SPEAII, based on some comparison metrics with random instances.